3、PDB常见错误类型：坐标错误、残基缺失、链标识混乱、水分子异常

做结构生物学的人，谁没被PDB文件折腾过？我去年处理一个冷冻电镜解析的复合物结构，光修复错误就花了两天。说白了，PDB文件里的“坑”来来去去就那几大类。这一章我把最常见的四种错误类型拎出来，每个都讲讲它们的表现、成因和怎么对付。

3.1 坐标错误

坐标错误是PDB里最要命的。原子坐标一旦出了问题，后面所有的计算——叠合、对接、动力学模拟——全是错的。我记得有一次看学生提交的结构，ATOM记录的x y z里有个数值是999.999，明显是超出合理范围的荒点。

常见坐标错误表现

import numpy as np
coords = [ (x,y,z) for x,y,z in list_of_atoms ]
max_dist = max(np.linalg.norm(c) for c in coords)
print(max_dist)

3.2 残基缺失

残基缺失分两种：一种是全长序列中少了一段；另一种是侧链原子不全。后者更隐蔽，很多新手会忽略。

• 主链缺失：连续的ATOM记录里，resSeq号码跳空。比如从101直接跳到105，中间102-104不见了。
• 侧链缺失：标准氨基酸的侧链原子（如Lys的NZ）在ATOM记录中找不到，或者出现在HETATM里。
• 末端残基缺失：N端或C端丢失了几个残基。

检测方法很简单。用pdb-tools或Biopython提取所有ATOM的resSeq，检查是否连续。如果是X射线结构，还可以看电子密度图：缺失区域对应的密度往往是一团浆糊。

# 用Biopython检查残基连续性
from Bio.PDB import PDBParser
parser = PDBParser(QUIET=True)
structure = parser.get_structure('test', '1abc.pdb')
for model in structure:
    for chain in model:
        residues = list(chain.get_residues())
        seq_nums = [r.get_id()[1] for r in residues]
        gaps = []
        for i in range(1, len(seq_nums)):
            diff = seq_nums[i] - seq_nums[i-1]
            if diff > 1:
                gaps.append((seq_nums[i-1], seq_nums[i]))
        if gaps:
            print(f'Chain {chain.get_id()} gaps: {gaps}')

3.3 链标识混乱

链标识混乱是PDB修复里最头疼的。我见过一个文件，链A和链B居然用了同一个ID，还有的链名混用了数字和字母，比如链0和链O。

常见的链标识问题

1. 重复链ID：两个不同的多肽链用了同一个字母（如两个链A）。
2. 非法字符：链ID使用了空格、特殊符号或少数字母-。
   PDB规范里链ID是单字符大写字母A-Z或数字0-9，实际上数字也少用。
3. 链标识与记录不匹配：ATOM记录写着链A，SEQRES记录却写链B。
4. 多链文件缺少TER记录：不同链之间没有TER结束标记，导致软件把两条链当作一条。

怎么修？我习惯用pdbfixer的reassign_chain_ids功能，或者自己写脚本按segID重排。下面是手动重命名的逻辑：

# 伪代码：检测重复链ID并重命名
current_chain_ids = set()
for chain in structure:
    cid = chain.get_id()
    if cid in current_chain_ids:
        new_id = chr(ord(max(current_chain_ids)) + 1)  # 简单递增
        chain.id = new_id
    current_chain_ids.add(chain.id)

3.4 水分子异常

水分子看起来简单，其实坑不少。我修复过一个X射线结构，水分子的occupancy全是0.0，这等于说“水存在概率为0”，那它干嘛还留在文件里？

• 水分子坐标错误：落在蛋白内部疏水核心的水分子，基本是虚峰。
• 水分子占据数异常：occupancy超出[0,1]范围，或所有水分子occupancy均为0。
• 水分子温度因子过高：B-factor超过80 Ų的水分子，说明原子位置非常不确定。
• 水分子与其它原子重叠：距离小于1.5 Å，明显是错误放置。
• 水分子残基名不标准：有的文件里水分子用HOH，有的用WAT，还有的写成H2O。PDB标准要求HOH。

检测水分子的存活率，我常用下面这个规则：

# 水分子过滤条件
occupancy > 0.3
B-factor < 60.0
与蛋白原子距离 > 1.7 Å且 < 3.5 Å
残基名 == 'HOH' 或 'WAT'

错误类型全景图

下面这张图把四大类错误以及它们的子问题串起来了。建议你保存下来，每次做结构修复前扫一眼，心里有个谱。

各类错误的典型修复方式